作物多元传感信息的采集融合与解析
这是一篇关于嵌入式,机器视觉,图像处理,作物表型,OpenCV,边缘检测,二值化的论文, 主要内容为本文针对当前在作物多元传感信息采集领域存在的表型数据采集难度大,环境参数获取难等问题,同时在参考大量相关文献的基础上,设计一套应用场景多样、操作简单的多元传感信息采集和数据处理分析与可视化的作物多元传感信息采集融合与分析系统,并应用于一个具体的作物生长研究场景中。本文的研究内容及其创新性主要体现在以下三个方面:1.系统设计采用Jeston-nano作为嵌入式硬件平台,选取IMX219-160 Camera为图像采集设备,对整株作物进行连续定时图像采集,形成作物表型图像数据,然后利用Open CV库对采集到的图像经过数据增强、图像降噪、图像分割之后,估算叶片面积、叶片数、株高、生物量等。2.设计了表型提取算法,首先使用中值滤波方式对图像进行降噪处理。然后,根据目标作物的颜色特征,采用分水岭分割法对图像进行分割,捕获目标区域。最后利用边缘检测和图像快速细化算法提取叶片轮廓及作物骨架,计算株高及叶面积并上传。3.自主完成了用于接收并存储硬件平台上传的作物表型数据的云平台的设计与实现,选用My SQL进行数据库开发,利用web前端开发技术实现了系统数据的可视化。经过部署验证,结果表明系统能够完成数据实时监控以及可视化的目标功能,响应速度及吞吐量达到设计要求。4.以苗期大豆为研究对象设计试验对系统进行验证,对苗期大豆的株高、叶面积等指标同实测数据进行对比分析。分析结果表明其平均相对误差均小于10%,算法测量值与真实值相关度较高,R2均大于0.90。通过该系统可以较准确地实现苗期大豆地上部表型特征参数的提取,可初步实现苗期大豆地上部表型的连续定量检测。性能方面,硬件平台平均功率10W,云平台最大吞吐量281bit/s,最大响应时间247ms。该系统有效提高了作物表型参数的无损测量效率,可为提高作物生长监测效率提供必要参考。
图像分类卷积神经网络全二值设计与实现
这是一篇关于二值神经网络,深度学习,二值化,量化的论文, 主要内容为尽管卷积神经网络在图像分类任务中取得了巨大成功并迅速发展,但复杂的深度神经网络需要消耗巨大的储存空间和计算资源,这对深度卷积神经网络在移动设备上的部署造成了严重限制,因此,简单、高效、精确的模型才更有机会部署在移动终端等小型设备上。二值网络应运而生,其占用存储空间小,计算效率高。然而目前二值网络无法实现真正全部二值化,第一层卷积普遍采用全精度网络,当前二值网络采用全二值网络表现效果很差,相较于采用第一层全精度卷积Top-1分类正确率会下降10%—30%。基于上述问题,本文提出全二值卷积神经网络,对首层卷积sign函数的输入进行特殊处理,减少图像数据通过首层二值卷积的信息损失。主要内容及创新点如下:(1)本文提出最大化减少信息损失的第一层卷积二值化方法。第一层卷积二值化会损失大量信息,因此要针对输入数据做二值处理,最大化减少通过第一层二值卷积后的信息损失。目前图像分类中使用的图片数据整数范围为[0,255],为最大化减少由256个数据变为+1,-1两个数据产生的信息损失,本文提出将原始图像数据使用8位二进制表示,拓宽图像数据维度,最大化减少信息损失。通过实验证明,使用转换后的数据对全精度网络训练仍可得到原来分类准确率。这其中8位二进制的每一位将会作为一个通道数据输入网络,原始数中RGB三通道[0,255]内数据经过处理成只包含0,1的24通道数据,0在通过sign函数后会得到1,为使数据通过sign可以得到两个值,需要将24通道中的0数据变为-1。经过上述处理,可以最大化解决第一层卷积二值化导致的信息损失。(2)提出通道洗牌与组卷积结合的减少计算量和提高特征提取能力方法。本文的全二值卷积网络的第一层输入为24通道,这样使得网络的计算量有所增加,有违二值卷积网络的初衷。因此本文提出使用通道洗牌(Channel Shuffle)与组卷积(Group Convolution)来解决该问题,在本文中,我们将原始数据中RGB通道各加宽8倍,得到24个通道。为了减少计算量,我们需要进行分组卷积,而每个分组应该分别包含原始图像中RGB通道的数据,这与Shuffle Net中提出的通道洗牌类似。因此我们借用Shuffle Net的思想,通过采用组卷积技术来解决计算量增加的问题,特别是针对第一层通道扩展所造成的计算量增加,组卷积技术可以有效缓解这一问题。然而,组卷积当前存在的问题是不同组之间不能进行通信,这会降低网络的特征提取能力。通道洗牌技术可以用来解决这一问题。实验证明采用本方法可以在分类准确率不变的前提下降低计算量。实验结果表明,将本文方法应用在SOTA方法中都可以在不同数据集上得到准确率的提升。实验证明目前SOTA二值方法在全二值卷积下分类准确率很低,而本文方法可以有效提高这些SOTA网络分类准确率,通过在不同数据集上进行实验,证明了本文方法有效性。实验证明本文方法在小型数据集SVHN表现效果最佳,最高可达18.4%的提升,接近原二值网络Top1分类准确率。
作物多元传感信息的采集融合与解析
这是一篇关于嵌入式,机器视觉,图像处理,作物表型,OpenCV,边缘检测,二值化的论文, 主要内容为本文针对当前在作物多元传感信息采集领域存在的表型数据采集难度大,环境参数获取难等问题,同时在参考大量相关文献的基础上,设计一套应用场景多样、操作简单的多元传感信息采集和数据处理分析与可视化的作物多元传感信息采集融合与分析系统,并应用于一个具体的作物生长研究场景中。本文的研究内容及其创新性主要体现在以下三个方面:1.系统设计采用Jeston-nano作为嵌入式硬件平台,选取IMX219-160 Camera为图像采集设备,对整株作物进行连续定时图像采集,形成作物表型图像数据,然后利用Open CV库对采集到的图像经过数据增强、图像降噪、图像分割之后,估算叶片面积、叶片数、株高、生物量等。2.设计了表型提取算法,首先使用中值滤波方式对图像进行降噪处理。然后,根据目标作物的颜色特征,采用分水岭分割法对图像进行分割,捕获目标区域。最后利用边缘检测和图像快速细化算法提取叶片轮廓及作物骨架,计算株高及叶面积并上传。3.自主完成了用于接收并存储硬件平台上传的作物表型数据的云平台的设计与实现,选用My SQL进行数据库开发,利用web前端开发技术实现了系统数据的可视化。经过部署验证,结果表明系统能够完成数据实时监控以及可视化的目标功能,响应速度及吞吐量达到设计要求。4.以苗期大豆为研究对象设计试验对系统进行验证,对苗期大豆的株高、叶面积等指标同实测数据进行对比分析。分析结果表明其平均相对误差均小于10%,算法测量值与真实值相关度较高,R2均大于0.90。通过该系统可以较准确地实现苗期大豆地上部表型特征参数的提取,可初步实现苗期大豆地上部表型的连续定量检测。性能方面,硬件平台平均功率10W,云平台最大吞吐量281bit/s,最大响应时间247ms。该系统有效提高了作物表型参数的无损测量效率,可为提高作物生长监测效率提供必要参考。
基于二值化网络的推荐系统的研究
这是一篇关于二值化,推荐系统,卷积神经网络,RBF,深度学习的论文, 主要内容为迅猛发展的互联网资源致使用户可随意获取海量的媒体、文档信息以及服务等,与此同时,资源的快速增长也导致了资源过载的问题。用户在拥有着庞大信息数据资源的同时,却也深陷于难以发现真正感兴趣的内容的窘境。在这种情况下,由信息过滤演变成的推荐系统就显得尤为重要,它可以帮助人们发现感兴趣的项目,例如电影,书,新闻,图片或者网页等。然而,随着人们需求的逐渐增长,用户越来越依赖对其独特偏好进行个性化定制的推荐系统。诸如此类的推荐系统通常都需要记录和分析计算大量的用户行为数据,然而随着用户数量逐渐增大,需要记录的行为数据越来越多,传统的推荐算法不仅在物理存储上承受着巨大压力,无法实时高效地处理数据量较大的数据集等问题,且在用户信息较为稀疏的数据集下表现欠佳。近期,研究人员发现仅仅基于谁评价了什么来记录用户行为的二值化推荐系统,而非基于实际评分的推荐系统能不仅能在一定程度上缓解存储压力,还能得到更准确的推荐结果并且具有更强的鲁棒性,因此研究并实现一个基于二值化的推荐系统具有重大意义。本文深入研究并分析了当前推荐系统的现状,对推荐系统的概念、原理、目前主流的推荐算法以及常用的评价指标做了深入的了解,归纳了各个推荐算法所适用的领域,并比较了它们的优缺点。在此基础上,为了提高推荐系统的实时性并解决冷启动问题,本文做了如下几个工作:第一,针对现有的推荐系统实时性不高的问题,本文引入了二值化推荐模型(BCNN)来提高推荐的效率。通过将输入推荐系统的矩阵数据二值化来简化卷积神经网络中的卷积操作,可将卷积中的乘法操作转化为异或操作,节省了大量计算时间,从而提高了模型的推荐效率。本文将BCNN推荐模型在公开的Movielens数据集上训练并与基于支持向量机(SVM)、基于逻辑回归(LR)的推荐模型进行实验对比分析,实验结果表明BCNN在保证一定推荐精度的情况下,推荐模型在效率上有着明显的优势。第二,推荐系统通常在用户行为数据较为稀疏的数据集上表现较差,这种情况称为推荐系统的冷启动问题。为了解决这个问题,本文结合用户的偏好信息来提高推荐质量,在BCNN推荐模型的基础上,引入了 RBF径向基网络构建亲属关系群组得到融合RBF的二值化网络推荐模型(RBFCNN)来实现该项操作。该模型的主要思想是通过收集和分析用户的行为数据预测出用户偏好信息,利用RBF网络将有相似偏好的用户进行聚类操作,最终生成用户可信任的亲属关系群组,让推荐在群组内进行。本文通过实验验证了 RBFCNN模型的推荐效果,并与基于BCNN、SVM以及LR的推荐模型进行实验对比分析。最终实验结果表明RBFCNN模型不仅保证了实时性,并在一定程度上也解决了推荐系统的冷启动问题,且在稀疏程度不同的数据集下推荐效果都较为良好且稳定。
基于二值化网络的推荐系统的研究
这是一篇关于二值化,推荐系统,卷积神经网络,RBF,深度学习的论文, 主要内容为迅猛发展的互联网资源致使用户可随意获取海量的媒体、文档信息以及服务等,与此同时,资源的快速增长也导致了资源过载的问题。用户在拥有着庞大信息数据资源的同时,却也深陷于难以发现真正感兴趣的内容的窘境。在这种情况下,由信息过滤演变成的推荐系统就显得尤为重要,它可以帮助人们发现感兴趣的项目,例如电影,书,新闻,图片或者网页等。然而,随着人们需求的逐渐增长,用户越来越依赖对其独特偏好进行个性化定制的推荐系统。诸如此类的推荐系统通常都需要记录和分析计算大量的用户行为数据,然而随着用户数量逐渐增大,需要记录的行为数据越来越多,传统的推荐算法不仅在物理存储上承受着巨大压力,无法实时高效地处理数据量较大的数据集等问题,且在用户信息较为稀疏的数据集下表现欠佳。近期,研究人员发现仅仅基于谁评价了什么来记录用户行为的二值化推荐系统,而非基于实际评分的推荐系统能不仅能在一定程度上缓解存储压力,还能得到更准确的推荐结果并且具有更强的鲁棒性,因此研究并实现一个基于二值化的推荐系统具有重大意义。本文深入研究并分析了当前推荐系统的现状,对推荐系统的概念、原理、目前主流的推荐算法以及常用的评价指标做了深入的了解,归纳了各个推荐算法所适用的领域,并比较了它们的优缺点。在此基础上,为了提高推荐系统的实时性并解决冷启动问题,本文做了如下几个工作:第一,针对现有的推荐系统实时性不高的问题,本文引入了二值化推荐模型(BCNN)来提高推荐的效率。通过将输入推荐系统的矩阵数据二值化来简化卷积神经网络中的卷积操作,可将卷积中的乘法操作转化为异或操作,节省了大量计算时间,从而提高了模型的推荐效率。本文将BCNN推荐模型在公开的Movielens数据集上训练并与基于支持向量机(SVM)、基于逻辑回归(LR)的推荐模型进行实验对比分析,实验结果表明BCNN在保证一定推荐精度的情况下,推荐模型在效率上有着明显的优势。第二,推荐系统通常在用户行为数据较为稀疏的数据集上表现较差,这种情况称为推荐系统的冷启动问题。为了解决这个问题,本文结合用户的偏好信息来提高推荐质量,在BCNN推荐模型的基础上,引入了 RBF径向基网络构建亲属关系群组得到融合RBF的二值化网络推荐模型(RBFCNN)来实现该项操作。该模型的主要思想是通过收集和分析用户的行为数据预测出用户偏好信息,利用RBF网络将有相似偏好的用户进行聚类操作,最终生成用户可信任的亲属关系群组,让推荐在群组内进行。本文通过实验验证了 RBFCNN模型的推荐效果,并与基于BCNN、SVM以及LR的推荐模型进行实验对比分析。最终实验结果表明RBFCNN模型不仅保证了实时性,并在一定程度上也解决了推荐系统的冷启动问题,且在稀疏程度不同的数据集下推荐效果都较为良好且稳定。
基于二值化网络的推荐系统的研究
这是一篇关于二值化,推荐系统,卷积神经网络,RBF,深度学习的论文, 主要内容为迅猛发展的互联网资源致使用户可随意获取海量的媒体、文档信息以及服务等,与此同时,资源的快速增长也导致了资源过载的问题。用户在拥有着庞大信息数据资源的同时,却也深陷于难以发现真正感兴趣的内容的窘境。在这种情况下,由信息过滤演变成的推荐系统就显得尤为重要,它可以帮助人们发现感兴趣的项目,例如电影,书,新闻,图片或者网页等。然而,随着人们需求的逐渐增长,用户越来越依赖对其独特偏好进行个性化定制的推荐系统。诸如此类的推荐系统通常都需要记录和分析计算大量的用户行为数据,然而随着用户数量逐渐增大,需要记录的行为数据越来越多,传统的推荐算法不仅在物理存储上承受着巨大压力,无法实时高效地处理数据量较大的数据集等问题,且在用户信息较为稀疏的数据集下表现欠佳。近期,研究人员发现仅仅基于谁评价了什么来记录用户行为的二值化推荐系统,而非基于实际评分的推荐系统能不仅能在一定程度上缓解存储压力,还能得到更准确的推荐结果并且具有更强的鲁棒性,因此研究并实现一个基于二值化的推荐系统具有重大意义。本文深入研究并分析了当前推荐系统的现状,对推荐系统的概念、原理、目前主流的推荐算法以及常用的评价指标做了深入的了解,归纳了各个推荐算法所适用的领域,并比较了它们的优缺点。在此基础上,为了提高推荐系统的实时性并解决冷启动问题,本文做了如下几个工作:第一,针对现有的推荐系统实时性不高的问题,本文引入了二值化推荐模型(BCNN)来提高推荐的效率。通过将输入推荐系统的矩阵数据二值化来简化卷积神经网络中的卷积操作,可将卷积中的乘法操作转化为异或操作,节省了大量计算时间,从而提高了模型的推荐效率。本文将BCNN推荐模型在公开的Movielens数据集上训练并与基于支持向量机(SVM)、基于逻辑回归(LR)的推荐模型进行实验对比分析,实验结果表明BCNN在保证一定推荐精度的情况下,推荐模型在效率上有着明显的优势。第二,推荐系统通常在用户行为数据较为稀疏的数据集上表现较差,这种情况称为推荐系统的冷启动问题。为了解决这个问题,本文结合用户的偏好信息来提高推荐质量,在BCNN推荐模型的基础上,引入了 RBF径向基网络构建亲属关系群组得到融合RBF的二值化网络推荐模型(RBFCNN)来实现该项操作。该模型的主要思想是通过收集和分析用户的行为数据预测出用户偏好信息,利用RBF网络将有相似偏好的用户进行聚类操作,最终生成用户可信任的亲属关系群组,让推荐在群组内进行。本文通过实验验证了 RBFCNN模型的推荐效果,并与基于BCNN、SVM以及LR的推荐模型进行实验对比分析。最终实验结果表明RBFCNN模型不仅保证了实时性,并在一定程度上也解决了推荐系统的冷启动问题,且在稀疏程度不同的数据集下推荐效果都较为良好且稳定。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/54629.html
